/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
tvtsyn
Опубликована
12 окт 2026

TVTSyn

Обработка аудиоАудио → аудио

TVTSyn преобразует речь в целевой голос по короткой записи и поддерживает потоковую конверсию для анонимизации и смены голоса.

12скачиваний за 30 дней0лайковвеса обновлены12 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TVTSyn — предварительно обученная модель преобразования голоса, представленная Waris Quamer, Mu-Ruei Tseng, Ghady Nasrallah и Ricardo Gutierrez-Osuna в связи со статьёй для ICLR 2026. Она преобразует входящую речь в целевой голос по короткой записи этого голоса и предназначена для потокового преобразования речи и анонимизации голоса.

Модель синхронизирует содержание речи с изменяющимся тембром целевого голоса. Для потокового инференса доступна реализация ONNX, обрабатывающая аудио чанками по 100 мс; извлечение целевого голоса из записи требует PyTorch, а сохранённые эмбеддинги диктора позволяют выполнять инференс ONNX без PyTorch. В репозитории указаны форматы ONNX и safetensors, библиотека tvtsyn и поддержка английского языка.

Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. В README не приведены численные оценки качества или сведения о поддержке языков помимо английского.

Сценарии применения

  • преобразование речи в голос по короткому образцу диктора
  • потоковая смена голоса с обработкой аудио чанками по 100 мс
  • анонимизация голоса в речевых записях
  • инференс конверсии голоса через ONNX с сохранённым эмбеддингом диктора

Ограничения

Извлечение целевого голоса из эталонной записи требует PyTorch; показатели качества и поддержка языков помимо английского в карточке не описаны. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TVTSyn (ICLR 2026)

Waris Quamer, Mu-Ruei Tseng, Ghady Nasrallah, and Ricardo Gutierrez-Osuna.

Convert speech into a target voice using a short recording of that voice. This is the pretrained model for our ICLR 2026 paper, TVTSyn: Content-Synchronous Time-Varying Timbre for Streaming Voice Conversion and Anonymization.

Code · Try the demo · Audio examples

Installation

Requires Python 3.10 or newer:

git clone https://github.com/PSI-TAMU/TVTSyn.git
cd TVTSyn
pip install -e '.[pytorch,onnx,speaker]'

PyTorch inference

Run from the cloned repository. The first call downloads the weights from this Hub repository; later runs reuse the cached files.

from tvtsyn_inference import TVTSyn

# Download the PyTorch model from Hugging Face (cached after the first run).
model = TVTSyn.from_pretrained("warisqr007/TVTSyn", backend="pytorch")

# Use a recording of the voice you want the output to sound like.
speaker = model.encode_speaker("samples/target.wav")
model.convert_file("samples/source.wav", speaker, output="outputs/converted.wav")

For PyTorch streaming:

model.convert_file(
    "samples/source.wav", speaker,
    mode="streaming", output="outputs/pytorch_streaming.wav",
)

ONNX inference

from tvtsyn_inference import TVTSyn

# Download the ONNX model from Hugging Face.
model = TVTSyn.from_pretrained("warisqr007/TVTSyn", backend="onnx")
speaker = model.encode_speaker("samples/target.wav")
model.convert_file("samples/source.wav", speaker, output="outputs/onnx.wav")

ONNX converts audio in 100 ms chunks. Extracting a voice from reference audio uses PyTorch; saved speaker embeddings let you run ONNX without PyTorch. See the inference guide for saved embeddings, incoming audio blocks, and offline loading.

Replace the sample paths with your own recordings. Use several seconds of clear speech for the target voice. Input files are resampled automatically; output audio is mono at 16 kHz.

License

TVTSyn source code and model weights use CC BY-NC 4.0. See LICENSE. Third-party components, including the SpeechBrain speaker models, retain their own licenses; see the third-party notices.

Citation

@inproceedings{quamer2026tvtsyn,
  title={{TVTSyn}: Content-Synchronous Time-Varying Timbre for Streaming Voice Conversion and Anonymization},
  author={Waris Quamer and Mu-Ruei Tseng and Ghady Nasrallah and Ricardo Gutierrez-Osuna},
  booktitle={The Fourteenth International Conference on Learning Representations},
  year={2026},
  url={https://openreview.net/forum?id=Tf4Lfw85lS}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · tvtsyn

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
e370632

0 моделей